JP2022048326A - 監視装置、監視方法および監視プログラム - Google Patents
監視装置、監視方法および監視プログラム Download PDFInfo
- Publication number
- JP2022048326A JP2022048326A JP2022015218A JP2022015218A JP2022048326A JP 2022048326 A JP2022048326 A JP 2022048326A JP 2022015218 A JP2022015218 A JP 2022015218A JP 2022015218 A JP2022015218 A JP 2022015218A JP 2022048326 A JP2022048326 A JP 2022048326A
- Authority
- JP
- Japan
- Prior art keywords
- importance
- value
- input
- time
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims description 106
- 238000012544 monitoring process Methods 0.000 title claims description 15
- 230000008569 process Effects 0.000 claims description 76
- 238000004364 calculation method Methods 0.000 claims description 67
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 abstract description 136
- 238000011156 evaluation Methods 0.000 description 64
- 238000004458 analytical method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 238000012800 visualization Methods 0.000 description 16
- 230000007704 transition Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
以下の実施の形態では、第1の実施形態に係る監視装置10の構成、監視装置10の処理の流れを順に説明し、最後に第1の実施形態による効果を説明する。
まず、図1を用いて、監視装置10の構成を説明する。図1は、第1の実施形態に係る監視装置の構成例を示すブロック図である。監視装置10は、例えば、工場やプラントなどの監視対象設備に設置されるセンサによって取得された複数のデータを収集し、収集された複数のデータを入力として、監視対象設備の異常を予測するための学習済モデルを用いて、監視対象設備の異常度であるフレーム異常評価値を出力値として出力する。また、監視装置10は、学習済モデルに入力された各時刻における各データと、学習済モデルから出力された異常度とを用いて、各時刻における入力項目ごとの出力値に対する重要度を算出する。ここで重要度とは、各入力が出力に対してどれだけ寄与したかを示すものであり、重要度の絶対値が大きいほど、その入力は出力に対する影響度が高かったことを意味する。
参考文献1:Bach Sebastian, et al. "On pixel-wise explanations for non-linear classifier decisions by layer-wise relevance propagation." PloS one 10.7 (2015): e0130140.
参考文献2:Shrikumar Avanti, Peyton Greenside, and Anshul Kundaje. "Learning important features through propagating activation differences." arXiv preprint arXiv:1704.02685 (2017).
参考文献3:Ribeiro Marco Tulio, Sameer Singh, and Carlos Guestrin. "Why should i trust you?: Explaining the predictions of any classifier." Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016.
次に、図7~図9を用いて、第1の実施形態に係る監視装置10による処理手順の例を説明する。図7は、第1の実施形態に係る監視装置における異常予測処理の流れの一例を示すフローチャートである。図8は、第1の実施形態に係る監視装置における重要度算出処理の流れの一例を示すフローチャートである。図9は、第1の実施形態に係る監視装置におけるグラフ表示処理の流れの一例を示すフローチャートである。
第1の実施形態に係る監視装置10は、監視対象設備で取得された複数のセンサデータを収集し、収集された複数のセンサデータを入力として、監視対象設備の異常を予測するための学習済モデルを用いて、監視対象設備の異常度であるフレーム異常評価値を出力値として出力する。また、監視装置10は、学習済モデルに入力された各時刻における各センサデータと、学習済モデルから出力された異常度とを用いて、各時刻における入力項目ごとの出力値に対する重要度を算出する。このため、監視装置10では、複数の入力値のうち、どの入力値が重要であるかを動的かつ容易に確認することが可能となる。
上述した第1の実施形態では、監視装置10が重要度可視化部15を有し、各センサデータの重要度の推移を示すグラフを表示する場合を説明したが、これに限定されるものではない。例えば、監視装置10とは別の装置である表示装置20が各センサデータの重要度の推移を示すグラフを表示するようにしてもよい。
第2の実施形態に係る表示装置20は、監視対象設備で取得された複数のデータを入力として、監視対象設備の状態を予測するための学習済モデルを用いて、所定の出力値を出力する外部の監視装置10Aから、学習済モデルに入力された各時刻における入力項目ごとの所定の出力値に対する重要度を取得する。そして、表示装置20は、取得した重要度を用いて、各入力項目の重要度の推移を示すグラフを作成し、作成したグラフを表示する。このため、表示装置20では、複数の入力値のうち、どの入力値が重要であるかを動的かつ容易に確認することが可能である。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、CPUやGPUおよび当該CPUやGPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
また、上記実施形態において説明した監視装置、表示装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る監視装置10、10Aまたは表示装置20が実行する処理をコンピュータが実行可能な言語で記述した監視プログラム、表示プログラムを作成することもできる。この場合、コンピュータが監視プログラム、表示プログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかる監視プログラム、表示プログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録された監視プログラム、表示プログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。
11 収集部
12 異常予測部
12a 分析フレーム抽出部
12b フレーム異常評価値算出部
13 出力可視化部
13a 異常判定部
13b チャート表示部
14 算出部
14a 重要度計算部
14b 重要度ノイズ除去部
15 重要度可視化部
15a、21 取得部
15b、22 作成部
15c、23 重要度表示部
15d、24 報知部
16 プロセスデータバッファ
17 分析フレームバッファ
18 フレーム異常評価値バッファ
20 表示装置
100 監視システム
Claims (3)
- 監視対象設備で取得された複数のデータを入力として、前記監視対象設備の状態を予測するためのニューラルネットワークである学習済モデルを用いて、所定の出力値を出力する予測手段と、
前記学習済モデルに入力された各時刻における各データと、前記学習済モデルから出力された所定の出力値とを用いて、前記各時刻における入力項目ごとの前記所定の出力値に対する重要度であって、前記各データが前記学習済モデルの前記出力値にどれだけ寄与したかを示す時間変化する各時刻における重要度を算出する算出手段と
を有し、
前記算出手段は、入力値から出力値を算出する前記学習済モデルにおいて、前記出力値の各入力値に関する偏微分値またはその概算値を用いて、前記各時刻における入力項目ごとに、前記重要度を算出することを特徴とする監視装置。 - 監視装置によって実行される監視方法であって、
監視対象設備で取得された複数のデータを入力として、前記監視対象設備の状態を予測するためのニューラルネットワークである学習済モデルを用いて、所定の出力値を出力する予測工程と、
前記学習済モデルに入力された各時刻における各データと、前記学習済モデルから出力された所定の出力値とを用いて、前記各時刻における入力項目ごとの前記所定の出力値に対する重要度であって、前記各データが前記学習済モデルの前記出力値にどれだけ寄与したかを示す時間変化する各時刻における重要度を算出する算出工程と
を含み、
前記算出工程は、入力値から出力値を算出する前記学習済モデルにおいて、前記出力値の各入力値に関する偏微分値またはその概算値を用いて、前記各時刻における入力項目ごとに、前記重要度を算出することを特徴とする監視方法。 - 監視対象設備で取得された複数のデータを入力として、前記監視対象設備の状態を予測するためのニューラルネットワークである学習済モデルを用いて、所定の出力値を出力する予測ステップと、
前記学習済モデルに入力された各時刻における各データと、前記学習済モデルから出力された所定の出力値とを用いて、前記各時刻における入力項目ごとの前記所定の出力値に対する重要度であって、前記各データが前記学習済モデルの前記出力値にどれだけ寄与したかを示す時間変化する各時刻における重要度を算出する算出ステップと
をコンピュータに実行させ、
前記算出ステップは、入力値から出力値を算出する前記学習済モデルにおいて、前記出力値の各入力値に関する偏微分値またはその概算値を用いて、前記各時刻における入力項目ごとに、前記重要度を算出することを特徴とする監視プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022015218A JP7225447B2 (ja) | 2017-09-29 | 2022-02-02 | 監視装置、監視方法および監視プログラム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017191908A JP7019364B2 (ja) | 2017-09-29 | 2017-09-29 | 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム |
JP2022015218A JP7225447B2 (ja) | 2017-09-29 | 2022-02-02 | 監視装置、監視方法および監視プログラム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017191908A Division JP7019364B2 (ja) | 2017-09-29 | 2017-09-29 | 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022048326A true JP2022048326A (ja) | 2022-03-25 |
JP7225447B2 JP7225447B2 (ja) | 2023-02-20 |
Family
ID=87852245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022015218A Active JP7225447B2 (ja) | 2017-09-29 | 2022-02-02 | 監視装置、監視方法および監視プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7225447B2 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0749945A (ja) * | 1993-08-04 | 1995-02-21 | Mitsubishi Electric Corp | 識別装置 |
JP2016058010A (ja) * | 2014-09-12 | 2016-04-21 | 株式会社日立ハイテクノロジーズ | 異常傾向検出方法およびシステム |
-
2022
- 2022-02-02 JP JP2022015218A patent/JP7225447B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0749945A (ja) * | 1993-08-04 | 1995-02-21 | Mitsubishi Electric Corp | 識別装置 |
JP2016058010A (ja) * | 2014-09-12 | 2016-04-21 | 株式会社日立ハイテクノロジーズ | 異常傾向検出方法およびシステム |
Also Published As
Publication number | Publication date |
---|---|
JP7225447B2 (ja) | 2023-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7223839B2 (ja) | 異常検出および/または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
JP6854151B2 (ja) | 異常予測方法、異常予測装置、異常予測システムおよび異常予測プログラム | |
JP6652699B2 (ja) | アノマリ評価プログラム、アノマリ評価方法、および情報処理装置 | |
JP7019364B2 (ja) | 監視装置、監視方法、監視プログラム、表示装置、表示方法および表示プログラム | |
JP6918735B2 (ja) | 監視装置、監視方法および監視プログラム | |
US9292473B2 (en) | Predicting a time of failure of a device | |
WO2020066052A1 (ja) | 監視システム及び監視方法 | |
JP6708203B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP6521096B2 (ja) | 表示方法、表示装置、および、プログラム | |
CN112272763A (zh) | 异常探测装置、异常探测方法以及异常探测程序 | |
TWI715840B (zh) | 顯示裝置、顯示系統及顯示畫面產生方法 | |
CN111742462A (zh) | 用于基于音频和振动的功率分配装备状况监测的系统和方法 | |
Munirathinam | Drift detection analytics for iot sensors | |
JP2018013914A (ja) | 設備監視装置及び設備監視方法 | |
JP7225447B2 (ja) | 監視装置、監視方法および監視プログラム | |
JP2020057290A (ja) | 監視装置、監視方法および監視プログラム | |
US20220050763A1 (en) | Detecting regime change in time series data to manage a technology platform | |
CN115829536A (zh) | 电力网中逐渐发展的故障 | |
JP6973445B2 (ja) | 表示方法、表示装置、および、プログラム | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 | |
CN113240140A (zh) | 物理设备的故障检测方法、装置、设备及存储介质 | |
KR20120074630A (ko) | 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 | |
JP5250963B2 (ja) | 監視制御システムにおけるトレンドデータの蓄積・表示方式 | |
EP4080420A1 (en) | Learning device, learning method, and learning program | |
JPWO2019187433A1 (ja) | 製品検出装置、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220202 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230113 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230208 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7225447 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |